疯狂一夜：Gemini Flash 冲上前排，Meta 转身追平 Fable 5

AI范儿 · 今日速评⏱ 6 分钟

昨晚我本来只想看一眼 Gemini 3.8 Flash 的更新，结果越看越精神。

Google 刚用一个价格很低的 Flash 模型冲到 DeepSWE 榜首附近，Meta 前后脚发布 Muse Spark 1.3，又在同一项测试里把成绩往上推了一截。

我把两张官方测试表放在一起看，这两个模型在多数关键项目上都超过了 GPT-5.6 Sol。3.8 Flash 的反差尤其大，它只是 Gemini 家族里的快速低价型号。

Gemini 3.8 Flash 多项能力超过 GPT-5.6 Sol；Muse Spark 1.3 的综合水平已经对标 Claude Fable 5。这就是两次发布最需要知道的结论

所以我觉得，这一晚有意思的地方并不只是榜首换了人。Google 把 Flash 推到了旗舰模型的桌上，Meta 则把 Muse 直接送到 Fable 5 旁边。

一分钟看懂

以当前榜单最前排的模型 GPT-5.6 Sol、Claude Fable 5 和 Opus 5 为参照物：

1Gemini 3.8 Flash：定位仍是快速、低价，但编程、金融分析、法律任务和复杂推理已经超过 GPT-5.6 Sol，部分能力贴近 Opus 5。

2Muse Spark 1.3：第三方综合榜已经来到 Fable 5 的水平，最明显的进步是能在长时间、跨工具的任务里把事情做完。

3普通人会感到的变化：模型不只回答问题，还能读长资料、改完整项目、操作软件，并在中途遇到问题时继续处理。

▲ 图：Gemini 3.8 Flash 与 3.8 Flash Cyber，来源 Google

01Flash 到底多强

Google 在六周内更新了三次 Flash。我最初以为这次还是常规升级，无非更快一点、更便宜一点。

看完表才发现，3.8 主要补的是长程编程、Agent 执行和专业领域推理。

Flash 原本承担的是快速、低价、大批量任务。现在 3.8 Flash 在多项测试里压过 GPT-5.6 Sol，部分项目甚至贴住或超过 Opus 5。

一个“经济适用型”模型打出了旗舰成绩，这才是这次发布最夸张的地方。

它支持文本、图片、音频、视频和 PDF 输入，拥有100 万 Token 上下文，一次可以塞进大型代码库、长文档或多段视频材料。

最大输出 64K，适合生成完整代码、报告和长篇分析，不用写到一半突然收摊。

▲ 图：Google 公布的 Gemini 3.8 Flash Benchmark 表

表很长，普通人没必要逐行背。我挑三个最能说明问题的地方。

DeepSWE会给模型一个真实代码仓库和待解决的问题，看它能不能跨多个文件完成修改并通过测试。3.8 比 3.7 提升 8.4 个百分点，已经紧贴 Claude Opus 5。

Terminal-Bench不让模型只写答案，而是要求它在终端里输入命令、检查结果、处理报错，直到任务完成。3.8 在这项测试里排到表中第一。

金融分析、法律工作流、终端编程、复杂图表理解和跨学科推理都超过了 GPT-5.6 Sol。知识工作、通用 Agent 和电脑操作仍然落后，这块还谈不上横扫。

⚠️ 价格提醒每百万 Token 输入 0.75 美元，输出 3.75 美元。这是 2026 年底前的推广价，2027 年将涨到 1.50 美元和 7.50 美元。

不过 Google 自己也提醒了一句：高推理档位会多思考、多调用工具。单价低，不保证每个任务的总成本都低。便宜模型认真加起班来，也会吃 Token。

还有一个安全专用版

Gemini 3.8 Flash Cyber 专门负责发现漏洞和自动打补丁。Google 称，它在覆盖 20 种编程语言的内部测试中，漏洞发现成功率超过 70%；在 CWE-Bench 上，修复能力已经贴近领先模型。

不过普通开发者暂时用不到。它只通过 Fairwind Program 向政府机构、关键基础设施运营方和可信软件维护者开放，也没有公布独立的公开 API 价格。

02Muse 到了什么水平

▲ 图：Artificial Analysis Intelligence Index v4.1.1，2026 年 9 月 2 日

再看 Muse。

Artificial Analysis 把九类测试合成一个综合指数，既看知识和推理，也看编程、工具使用与长文本处理。它有点像模型的综合考试，比盯着某一门单科更能看出整体水平。

在这张全模型榜单里，Muse Spark 1.3 的 max 档与带 Tool Fallback 的 Claude Fable 5 处在同一水平。Tool Fallback 可以简单理解成：遇到合适的问题时，模型能借助工具完成任务。

Muse 只落后于 Fable 5.1 和 Claude Opus 5，已经站到最前排。

上一代 Muse Spark 1.2 还和一批中上游模型挤在一起，1.3 直接跳到了 Fable 5 旁边。Google 的 Gemini 3.8 Flash 也进入前十。最近这一波更新，榜单前排已经挤得像晚高峰地铁。

有一点要说清楚：Muse Spark 1.3 的 max 档还在做额外安全测试，发布当天尚未开放。眼下可以直接调用的是其他推理档位。

▲ 图：Meta 公布的 Muse Spark 1.3 Benchmark 表

我再翻 Meta 自己的测试表，发现这次提升很集中：把长任务做完。

长程软件工程比 1.2 提升约20 个百分点，电脑操作提升约 19 个百分点。面对 50 万到 100 万 Token 的超长上下文，检索能力提升超过 40 个百分点。

长程软件工程测试看它能不能接手一个完整代码任务；电脑操作测试看它会不会点击、输入并在多个软件之间切换；超长上下文测试则像把一本巨厚资料塞进去，再让它准确找回其中一个细节。

Muse Spark 1.3 在这些关键项目里多数超过 GPT-5.6 Sol，终端编程与它持平；综合能力则对标 Fable 5。

普通用户可以把它理解成：已经有能力连续处理一项复杂工作，而不只是在对话框里回答几个问题。

编码效率同样有改善。Meta 内部比较显示，相较 1.2，新版平均少用约 20% 的工具调用和 25% 的 Token。能力涨了，干活反而更省，这才是 Agent 最实在的升级。

Meta API 价格标准版每百万 Token 输入 1.25 美元、输出 4.25 美元。Contributor 版只要 0.10 美元和 0.20 美元，但需要允许 Meta 使用输入和输出数据改进模型。

Contributor 的折扣很凶，代价也写在小字里。代码、客户资料和内部文档比较敏感的话，这个价格看看就好。

Muse Spark 1.3 已进入 Muse Code 和 Meta Model API。Meta 还预告了更大的模型和开放权重版本，目前都没有具体时间。

03国外模型也卷起来了

过去几个月，AI 圈最热闹的画面一直在国内。DeepSeek、千问、GLM、Kimi、MiniMax 轮番更新，价格往下压，能力往上抬，隔几天就有人改一次榜单。

国外这边反而相对平静，尤其是 Google 和 Meta，一度给人一种已经从最激烈的模型竞赛里退下去的感觉。

结果这周，两家全回来了。

美国甚至还在周三。Anthropic、Google、Meta 已经连续放出了 Claude Fable 5.1、Gemini 3.8 Flash 和 Muse Spark 1.3。

三家公司，两天左右，三款新模型。

Google 用一个低价快速型号，在多项测试里超过 GPT-5.6 Sol；Meta 上一版还不算突出，这一版直接冲到 Fable 5 的综合水平。

原本被认为落后的两家公司，一夜之间又挤回了第一梯队。

这才是我觉得最夸张的地方。以前一个模型领先，优势还能维持几个月。现在一次更新就可能把差距抹掉，榜首甚至撑不过一天。谁都不敢停，停一下，下一个排行榜可能就掉队了。

现在还没有正式出牌的，似乎只剩 OpenAI。市场传言 GPT-6 可能也会在本周出现，一场好戏又等着上演了！

参考资料

https://blog.google/innovation-and-ai/models-and-research/gemini-models/3-8-flash-and-3-8-flash-cyber/ https://research.meta.ai/blog/introducing-muse-spark-1-3 https://www.anthropic.com/claude-fable-and-mythos-5-1 https://dev.meta.ai/docs/pricing-rate-limits/ https://artificialanalysis.ai/models/muse-spark-1-3 https://www.axios.com/2026/09/01/openai-astras-cyber-critical

Muse Spark 1.3 这次追到 Fable 5，你觉得 Meta 真回来了，还是先等实测？

觉得有用 → 点个❤️在看转给朋友